基于SEIR-SPN的突发事件网络舆情演化及预警机制*

顾海硕 贾 楠 孟子淳,2 陈 鹏

(1.中国人民公安大学信息网络安全学院 北京 102600;2.济南市公安局长清分局 济南 250399 )

0 引 言

突发事件网络舆情呈现凝聚时间短、成因复杂且应对困难的特征,失控状态下的突发事件网络舆情极可能导致网民矛盾激化,造成社会恐慌,甚至威胁政府公信力[1-2]。面对迅速发酵的突发事件网络舆情,及时的舆情态势分析和预警[3],快速实施应急处置、控制负面舆情和危机公关,是维护网络及社会舆论稳定的关键。而突发事件网络舆情的演化发展受到政府干预、网民情绪及态度等多因素影响,呈现高度的不确定性、关联性和实时性,给政府部门舆情信息分析、预警和应对带来极大的困难[4-5]。

当前,国内外学者关于网络舆情的研究(按照舆情发展主要过程)可主要概括为监测预警和引导治理两方面[6-7]。一是事前的舆情监测预警,主要集中于路径机制和建模构建两个层面的研究:在路径机制方面,孙飞显[8]等从政府层面提出了针对负面网络舆情的监测流程、监测指标和其量化方法;刘继[9]等从理论层面探讨了综合多种大数据分析方法提高舆情预警能力的路径;模型构建指的是通过多学科理论交叉,如基于定性分析、数据挖掘、神经网络和计量统计等方法,获取舆情发展敏感性信息,进行舆情态势动态监测[10-11],例如,Gil-Carcia[12]等提出了运用文本聚类算法对舆情事件中的敏感话题进行跟踪分析;Witbooi P J[13]运用分类算法进行微博用户节点转发行为分析,构建了舆论预警模型。二是事中及事后的舆情引导与治理,多聚焦于高校大学生、公共卫生事件、群体性事件、食品安全等的舆情传播机制、负面情绪控制策略和引导机制的研究[14-15],例如,Li[16]等从政府舆情预警管理的角度,分析群体情绪的时空演化及控制模型;李勇建[17]等运用突发事件的结构化描述方法从属性层次分析了舆情的产生和传播的动力学机制;张海涛[18]等分析了突发公共卫生事件网络舆情演化特征,构建了多维数据融合的突发公共卫生事件舆情引导逻辑框架和“一核多元”的引导机制;吴孝灵[19]等基于公众认知和政府引导视角构建了“公众-政府”的邻避舆情演化模型。

综上,已有研究成果在舆情预警机制、治理策略及体系建设等方面进行了部分探索,为本文突发事件网络舆情演化及预警奠定了基础,但已有研究在具体工作上还存在一些不足:a.在突发事件网络舆情演化分析过程中,往往聚焦于研究单一预警指标对突发事件网络舆情演化及预警态势发展的影响,缺乏不同阶段多指标的分类研究,忽视了多指标间的交叉影响,最终影响预警准确性;b.已有研究多侧重基于一个或多个模型对突发事件网络舆情演化及预警建模后的仿真运行效果,忽视了多个模型之间可能的承上启下的转折,缺乏从系统角度对突发事件网络舆情预警进行链式结构分析。因此,本文针对以上问题,在厘清突发事件网络舆情系统主要演化路径及不同阶段主要诱因的基础上,综合运用演化博弈理论与SPN结构模型,构建了基于SEIR-SPN的突发事件网络舆情演化及预警过程,设计了该模型启动规则及预警条件,并通过案例分析进行模型的适用性验证。通过演化平衡点和传播阈值计算进行突发事件网络舆情态势分析,通过网络舆情预警概率计算并分析网络舆情预警指标及其对于网络舆情态势发展的交叉影响,有助于帮助寻找到处理突发事件网络舆情的重点抓手,进而提出科学合理的突发事件网络舆情动态预警。

1 突发事件网络舆情演化系统及预警指标分析

1.1 突发事件网络舆情演化系统

突发事件网络舆情的演化过程主要分为产生、发展、高涨和平息四个阶段(见图1):

图1 突发事件网络舆情演化系统

a.产生阶段:舆情产生后通过某种媒介转移至网络上,引发部分网民关注,并经组织评论、转发等方式进行扩散传播,同时刺激反馈到网民本身,使得网民形成某些情绪、观点态度[20],在形成一定热度后会通过媒体或自媒体等的报道进一步提升曝光度;b.发展阶段:舆情小范围传播后逐渐发酵,以主流网络媒体平台为源头,事件和消息被线下平面媒体和电视关注报道,事件的影响范围在不断的扩大,网民会形成群体交流、讨论或意见碰撞,且“网络大V”个人情绪、态度意见形成之后会进一步刺激事件热度的上升,这种网民群体以及意见领袖的互动会推动舆情进入新的阶段;c.高涨阶段:随着事态不断发展,关注度达到顶峰,且主体网民的诉求没有得到及时妥善处理,舆情将进一步高涨,表达更加剧烈,同时网络舆情可能向消极态势发展,产生新的突发事件或次生舆情,导致舆情进入到爆发期[21-22];d.平息阶段:随着舆情过了顶峰,事态将稳步平息,群众的注意力随新的议题出现而转移,与此同时舆情也对既有的稳定秩序造成了破坏,影响了某些人或组织的公信力[23]。其中,在舆情态势发展阶段和高涨阶段,相关的应急活动会介入,对舆情的走向进行干预和引导,比如政府有关部门的公示、通报,官方媒体的辟谣、声明等[24-25]。

1.2 突发事件网络舆情预警指标体系

根据突发事件网络舆情系统主要演化路径及构成网络舆情不同阶段的主要诱因,并在结合已有研究成果的基础上[26-27],将突发事件网络舆情预警影响要素划分为突发事件本体舆情、负面舆情、衍生舆情和政府引导四大部分。本体舆情为突发事件本身相关的网络信息及其所引发的信息传播和讨论,也是舆情产生和发展阶段的主要信息来源;负面舆情的产生和发酵是网络舆情系统从平稳状态向高涨状态转变的主要原因,负面舆情信息的关注度、互动度和渠道活性将消极情绪快速大范围蔓延;衍生舆情是因突发事件本身及其负面舆情没有得到快速有效控制,而导致新的次生舆情事件产生;政府引导包括政府通报和官方媒体报道等,及时准确的权威信息发布是舆情治理的主要方式。

突发事件网络舆情预警是由上述四大要素共同组成的动态整体,建立突发事件网络舆情预警指标体系及其量化指标见表1。

表1 突发事件网络舆情预警指标体系

2 基于SEIR-SPN的突发事件网络舆情预警模型构建

2.1 基于SEIR的突发事件网络舆情演化过程构建

伴随突发事件网络舆情的蔓延和发酵,网民大众会产生不同的情绪反应行为,各种情绪反应之间会受多种主客体因素影响进行概率转换,这种网民情绪转换行为符合公共卫生领域中的SEIR模型疾病传染特征[28-29]。故基于传播动力学理论,可建立突发事件网络舆情SEIR演化传播模型:将突发事件网络舆情演化系统中网民划分为未知者S(持续关注舆情的所有群体)、潜伏者E(已接受并可能传播舆情的人群)、传播者I(受负面舆情影响产生并传播消极言论的群体)、免疫者R(受客观、正面舆情影响产生并传播积极言论的群体),其传播路径为S→E→I→R,未知者S以α的比率变为潜伏者E,潜伏者E若选择传播舆情信息则以μ的比率变为传播者I,否则以β的比率变为免疫者R,传播者I以γ的比率变为免疫者R[30],传播路径如图2所示。

图2 网民SEIR模型传播路径

其传播动力学微分方程表示如下:

(1)

(2)

(3)

(4)

同时,基于上述分析,对该模型提出以下基本假设:

①若一定比例N的网民(N≈1)对突发事件进行网络围观,且对该突发事件感兴趣程度为θ,则网民N以θ的比率转变为舆情未知者网民群体S(t)。

④传播者I(t)基于“意见领袖”的正面引导及自身觉悟,以φ的比率转变为免疫者R(t)(其中0<φ<1)。

基于以上假设,依托SEIR模型构建突发事件网络舆情演化过程,如图3所示,并构建其传播动力学微分方程,见式(5)。

图3 突发事件网络舆情演化过程

(5)

基于李雅普诺夫稳定性定理[32-33]得出如下结论:

证明:满足R0≤1时,求得舆情传播模型的雅可比矩阵J1,见式(6):

(6)

(7)

结论二:传播阈值R0>1时,舆情传播模型的平衡点为(S*,E*,I*)。

证明:满足R0>1时,求得舆情传播模型的雅可比矩阵J2,见式(8):

(8)

λ2=-1,λ3=-φ

(9)

当R0>1时,有传播平衡点(S*,E*,I*)是系统内渐进稳定的[34],结论(2)说明了传播阈值R0>1时,会存在感染状态网民,从而增加了网络舆情恶性演化的风险。

2.2 基于SPN的突发事件网络舆情预警

现有研究多运用Petri网理论(SPN结构模型)构造一种链式结构来反映群体事件、震后灾害、重大传染病、以及应急管理流程系统的演化、传播和配置情况[35-36],而SPN结构模型作为一种适合于描述异步的、并发的计算机系统模型,其链式结构可用于对突发事件网络舆情系统演化及预警系统内指标间的交叉影响分析。

SPN中的变迁被定义为Molloy形式的指数分布函数[37],见式(10):

∀t∈T:Ft=1-e-λtx

(10)

其中:参数λt表示变迁t的平均速率,随机延迟时间变量x≥0。

SPN一般被定义为包含六个元素的有向图:SPN =(P,T,F,W,M,λ),其中:

①P={P1,P2,…,Pn} 是预警关键要素有限集合,n>0表示库所总数;

②Ti={t1,t2,…,tk} 表示预警要素变迁总数;

③F⊆{P×T}∪{T×P} 是变迁输入和输出有向弧元素集合,分别表示触动预警条件和预警成果;

④W:F→N+是弧权函数,对有向弧赋权重,N+={1,2,…,n};

⑤M:P→N是标识集合,表示可能出现的状态,M1是初始标识;

⑥λ={λ1,λ2,…,λn}是变迁点火速率集合,与时间变迁相关联,时间变迁服从负指数分布,λ表示分布函数的参数。

突发事件网络舆情预警机制各环节各要素参数需要设置合理,其中实时监测与态势预测是预警环节的重中之重,二者并驾齐驱是有效预警的关键,而根据预警结果为相关部门提供系统的辅助决策支持是构建此突发事件网络舆情预警机制的主要目的,故构建突发事件网络舆情预警机制如图4所示。

图4 突发事件网络舆情预警研判结构图

基于突发事件网络舆情预警指标体系及预警研判结构图,建立突发事件网络舆情SPN预警模型(如图5所示),该模型由 9 个网络舆情预警要素和12个要素变迁组成。其中SPN结构模型中的符号定义,参见表2。

表2 突发事件网络舆情SPN预警模型中的符号定义

图5 突发事件网络舆情预警SPN模型

通过运用突发事件网络舆情预警的SPN模型与Markov链同构性[38],来分析突发事件网络舆情演化系统的动态变化。由SPN模型确定初始标识:M1=(1,1,1,0,0,0,0,0,0),根据SPN的触发规则,建立如下可达标识,见式(11)。

M1=(1,1,1,0,0,0,0,0,0)

M2=(0,0,0,1,0,0,0,0,0)

M3=(0,0,0,1,0,0,0,0,0)

M4=(0,0,0,1,0,0,0,0,0)

M5=(0,0,0,0,1,0,0,0,0)

M6=(0,0,0,0,0,1,0,0,0)

(11)

M7=(0,0,0,0,0,1,0,0,0)

M8=(0,0,0,0,0,1,0,0,0)

M9=(0,0,0,0,0,1,0,0,0)

M10=(0,0,0,0,0,1,0,0,0)

M11=(0,0,0,0,1,0,1,1,0)

M12=(0,0,0,0,0,0,0,0,1)

依据可达集,构建与SPN同构的Markov链,如图6所示。其中,图中有向弧表示该预警SPN模型从一个状态向另一个状态的转换过程,每条弧上的标注代表该弧所对应变迁的平均实施速率λj。

图6 网络舆情预警SPN模型同构的Markov链

令P(Mi)(i=1,2,…,12)为危机预警SPN模型稳定状态下的Mi概率,则稳态概率P=(P(M1),P(M2),…,P(M12),根据Markov平稳分布相关定理和切普曼-柯尔莫哥洛夫方程可得式(12)。

(12)

由图6所示Markov链和式(12),得到突发事件网络舆情演化系统状态概率间的关系式(13)。

(13)

2.3 模型运行路径及预警启动规则

基于上述SEIR-SPN突发事件网络舆情演化及预警模型的构建,按照突发事件网络舆情系统发展过程,设计该模型的实际运行路径与流程。

首先,通过构建SEIR模型进行突发事件网络舆情演化平衡点和传播阈值计算:当传播阈值R0≤1时,认定网民状态不会被感染,舆情传播也不会恶性演化,认为本次突发事件网络舆情态势平缓,可由系统自我恢复,无需政府部门外加干预;当传播阈值R0>1时,认为网民状态会被感染,舆情传播恶性演化的风险也大大增加,该网络舆情演化系统无法自我恢复,则需要政府部门及时启动网络舆情严重性评估程序进行预警研判,采取措施进行干预,最大限度地降低舆情影响。

然后,基于突发事件网络舆情预警指标权重划分预警指标风险级别为Ⅰ类、Ⅱ类和Ⅲ类,并进行严重性评估。本文采用层次分析法改进的网络分析法(Analytic Network Process,ANP)使用yaanp软件进行权重计算,并做降序处理,获得预警指标风险评级,参见表3。

表3 突发事件网络舆情预警评级指标

最后,建立SPN预警结构模型,通过互联网数据爬取,挖掘实际案例的部分开放数据,并得到λ1、…、λ12共12个平均实施速率参数,获得特定情况下的系统状态预警概率,见式(14)。

(14)

其中:P代表危机预警概率P(M12),φ、ψ、l为待定常数,i、j=1,2,…,12。

同时,设定预警阈值为0.1,并设置预警评级规则如下:

若预警概率P∈[0.1,0.2]或达到预警临界曲面,则启动蓝色预警;

若预警概率P∈(0.2,0.3]或达到预警临界曲面,则启动黄色预警;

若预警概率P∈(0.3,0.4]或达到预警临界曲面,则启动橙色预警;

若预警概率P>0.4或达到预警临界曲面,则启动红色预警。

3 实例分析

2022年6月,“某A市烧烤店打人”事件引发了全国性的舆论发酵,而后转年3月,“大学生组团坐撸串”登上热搜,“某B市烧烤”话题持续火爆并吸引了全国各地网友的关注,短时间内发生的两次“烧烤事件”其完全不同的发展态势,不禁引起民众的对比讨论。本文以这两次“烧烤”事件为例,分析突发事件网络舆情演化及预警机制,并进行模型适用性的交叉验证。

3.1 基于“某A市烧烤店打人”事件的预警研判分析

将以上参数代入,得到传播阈值,见式(15):

(15)

可知,本次突发事件存在舆情严重恶性演化的风险,需要进行舆情演化系统的危机预警概率分析。

不妨设数据库迭代速率为30次/分钟,则λ1=30,Ⅰ类、Ⅱ类和Ⅲ类预警指标速率分别为13条/分钟、5条/分钟和2条/分钟,则λ2=13,λ3=5,λ4=2,采集数据期间网民热度高涨,使得该突发事件网络舆情关注度上升(变迁5t),同时,大量不良媒体或个人在考察流量或利益收效的情况下,发布态度极端的不实信息(变迁6t)。经过官方媒体和政府机关平台通报,相关传播度下降,设λ5=5,λ6=2,Ⅰ类、Ⅱ类和Ⅲ类评价影响速率的增长率分别为0.71、0.21和0.42,则λ7=0.71,λ8=0.21,λ9=0.42,在各关节交叉影响下(变迁10t),突发事件网络舆情趋势走向不好的方向(变迁11t),发展形势愈加紧迫从而拉响警报(变迁12t),故设λ10=14,λ11=9,λ12=1。

①Ⅲ类预警指标所占权重较小,对网络舆情危机预警影响较弱,因此首先考虑Ⅰ类、Ⅱ类预警指标实时速率的交互影响。各项参数取值λ1=30,λ4=2,λ5=5,λ6=2,λ7=0.71,λ8=0.21,λ9=0.42,λ10=14,λ11=9,λ12=1,将其代入式(13)得到Ⅰ、Ⅱ类预警指标实时值和预警概率之间的关系,见式(16):

(16)

其中:P代表危机预警概率(P(M12)),λ2和λ3分别代表I类和Ⅱ类预警指标实时值。如设定警报阈值为0.1,求解λ2和λ3变动下舆情处于危机状态的概率变化,如图7所示。

图7 λ2和λ3变动下网络舆情处于危机状态的概率

由图7可知,当λ2=4.17,λ3=2.30时,危机预警的概率是43.39%,此时直接进入预警评级系统,启动预警。

②考虑Ⅰ类、Ⅱ类预警指标实时值增长率的交互影响。各项参数取值λ1=30,λ2=13,λ3=5,λ4=2,λ5=5,λ6=2,λ9=0.42,λ10=14,λ11=9,λ12=1,将其代入式(13),Ⅰ类和Ⅱ类预警指标增长率和预警概率之间的关系为:

(17)

其中:λ7和λ8分别代表I类和Ⅱ类预警指标增长率,求解λ7和λ8变动下舆情处于危机状态的概率变化,如图8所示。

图8 λ7和λ8变动下舆情处于危机状态的概率

由图8所示,当λ7=0.2,λ8=0.2时,危机预警概率为41.82%,此时直接进入预警评级系统,启动预警。

③考虑Ⅰ-Ⅲ类预警指标实时值增长率之间的交互影响。各项参数取值λ1=30,λ2=13,λ3=5,λ4=2,λ5=5,λ6=2,λ10=14,λ11=9,λ12=1,并假设预警临界值P(M12)为0.400,将其代入式(13)得到Ⅰ-Ⅲ类预警指标增长率之间的交互关系为:

(18)

当λ7=0.21,λ8=0.37,λ9=0.25时达到预警临界(λ7,λ8,λ9均大于预设阈值,则启动预警),直接进入预警评级系统,启动预警。

基于图7和图8的仿真结果可知,Ⅰ类、Ⅱ类预警指标增长率的交互影响(即λ7和λ8变动下舆情处于危机状态的概率)更为突出,故最终选择λ7和λ8作为主要影响因素。根据上述研究,将参数代入式(17),得到该突发事件网络舆情预警概率P=0.4498>0.4,故启动红色预警。

3.2 基于“某B市烧烤”的预警研判分析

(19)

可知,当前突发事件舆情严重恶性演化的风险较小,舆情系统内部可自我恢复,暂时可不予采取舆情引导措施。

R0=0.0828≪1

(20)

R0=2.5489>1

(21)

可知,伴随“某B市烧烤”的极大热度,以及马上即将要迎来的大量访客,极易存在舆情恶性演化的风险,亟需政府部门基于危机预警概率采取预防措施。

设数据库迭代速率为50次/分钟,则λ1=25,Ⅰ类、Ⅱ类和Ⅲ类预警指标速率分别为13条/分钟、5条/分钟和2条/分钟,则λ2=13,λ3=5,λ4=2,采集数据期间突发事件网络舆情关注度上升(变迁5t),同时存在发布态度极端的不实信息的情况(变迁6t)。而后,经过官方媒体和政府机关平台通报,传播度下降,不妨设λ5=7,λ6=3,Ⅰ类、Ⅱ类和Ⅲ类评价影响速率的增长率分别为0.71、0.21和0.42,则λ7=0.71,λ8=0.21,λ9=0.42,在各关节交叉影响下(变迁10t),突发事件网络舆情趋势走向不好的方向(变迁11 t),发展形势愈加紧迫从而拉响警报(变迁12t),故可设λ10=15,λ11=10,λ12=1。

各项参数取值λ1=50,λ2=13,λ3=5,λ4=2,λ5=7,λ6=3,λ9=0.42,λ10=15,λ11=10,λ12=1,将其代入式(13),Ⅰ类和Ⅱ类预警指标增长率和预警概率之间的关系如公式(22)所示:

(22)

其中:λ7和λ8分别代表I类和Ⅱ类预警指标增长率,λ7和λ8变动下舆情处于危机状态的概率变化如图9所示。

图9 λ7和λ8变动下舆情处于危机状态的概率

根据预警启动规则,由上述参数代入式(22),得到“某B市烧烤”网络舆情预警概率P=0.4495>0.4,故启动红色预警。

4 结 论

在突发事件网络舆情蔓延发酵的过程中,通过舆情系统演化及预警分析,及时给予干预措施并纠正舆情导向,可有效疏解负面情绪的影响力,消除网络舆情的影响。本文从政府决策支持的角度出发,通过构建基于SEIR-SPN的突发事件网络舆情预警模型,系统地解决了伴随突发事件网络舆情的发展发酵,政府部门“是否需要干预”及“干预程度”的决策问题。

本文得出主要结论如下:a.通过梳理突发事件网络舆情主要演化路径及不同发展阶段的主要影响因素,从突发事件本体舆情、负面舆情、衍生舆情和政府引导四个层面构建了网络舆情预警指标体系;b.构建基于演化博弈理论的SEIR突发事件网络舆情演化过程,并综合运用SPN模型与其同构的Markov链,提出并构建基于SEIR-SPN的突发事件网络舆情预警模型,同时,设计了伴随突发事件网络舆情演化系统的模型运行路径及预警启动规则:通过分析突发事件网络舆情系统的演化平衡点和传播阈值,进行系统态势研判,若R0≤1,认为系统自我恢复,无需政府干预;若R0>1,则认为该网络舆情演化系统无法自我恢复,需要进一步通过系统状态预警概率计算进行预警评级。c.以“某A市烧烤店打人”事件和“某B市烧烤”事件为例进行模型适用性验证,运用实验定量分析通过求解网络舆情演化系统演化平衡点、传播阈值和预警稳态概率,实现了预警等级判定后链式结构下的突发事件网络舆情系统状态分析。其中,在案例分析中,通过对“某A市烧烤店打人”事件进行仿真实验,得到λ7和λ8的变化(即Ⅰ类、Ⅱ类预警指标增长率的交互影响)对于舆情危机状态的概率影响更为显著,有助于帮助在相似的案例分析及舆情治理中确定重点抓手;同时,本文对于将“某B市烧烤”这种积极舆情事件代入模型时进行了优化处理:基于实际考量,将表达前往意愿等类似评论划归为消极评论数,从政府层面较大程度预判了可能的网络舆情负面演化,也给类似网络舆情预警提供了新的分析思路。

尽管本文在理论及仿真计算层面对突发事件网络舆情的演化和预警机制进行了深入探讨,但是由于篇幅限制,尚未在模型优化和应用方面进行详细分析,因此未来将会围绕模型适用性,进一步开展考虑舆情演化过程中信息碰撞及耦合作用等的系列研究,以期发展和完善的突发事件网络舆情理论和实践体系。